ddplt

一个包含我机器学习项目中代码的包，具有可重用潜力。

安装

由于库在PyPi上可用，因此包安装简单。

pip install ddplt

混淆矩阵

绘制分类结果的混淆矩阵

import numpy as np
from ddplt.heatmaps import draw_confusion_heatmap

# generate some data 
y_test = np.array([0, 0, 1, 1, 2, 0])
y_pred = np.array([0, 1, 1, 2, 2, 0])
class_names = np.array(['hip', 'hop', 'pop'])
ax, cm = draw_confusion_heatmap(y_test, y_pred, class_names)

交叉验证的接收者操作特征和精确率-召回率曲线

使用k折交叉验证绘制接收者操作特征（ROC）和精确率-召回率（PR）曲线

from ddplt.classification import draw_roc_prc_cv

from sklearn.datasets import make_moons
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import KFold

X, y = make_moons(500, noise=.2, random_state=123)
estimator = LogisticRegression()
cv = KFold(n_splits=5, shuffle=True, random_state=123)

draw_roc_prc_cv(estimator, X, y, cv)

函数draw_roc_prc_cv接受以下参数

• estimator - 设置了超参数的Scikit-learn估计器。估计器不必已拟合。
• X - 形状为(n_instances,n_features)的array-like
• y - 形状为(n_instances,)的array-like，包含实例标签
• cv - 负责创建X和y的k折拆分的交叉验证生成器

有关可选参数的更多信息，请参阅文档

在每个CV迭代中，估计器在训练折上拟合，并对测试折内的实例预测类概率。然后，从概率生成ROC和PR曲线。

该图由以下内容组成

• 单个ROC/PR曲线
• 平均ROC/PR曲线
• 表示+-1标准差的阴影区域

在图例中报告ROC和PR曲线下的面积。

注意：使用函数draw_roc_cv或draw_prc_cv仅绘制ROC或PR曲线

学习曲线

待办事项 - 尚未实现

创建一个图，显示不同大小的训练数据的性能评估。该方法应接受

• 现有的Axes
• 性能度量（例如准确率、MSE、精确率、召回率等）
• ...

相关性热图

待办事项 - 尚未实现

网格中每个方块的颜色代表预测变量之间的相关性强弱。您可以选择皮尔逊或斯皮尔曼相关系数，结果显示在方块内部。